搜索资源列表
模拟退火源码
- 模拟退火算法 模拟退火算法(Simulated Annealing,简称SA算法)是模拟加热熔化的金属的退火过程，来寻找全局最优解的有效方法之一。 模拟退火的基本思想和步骤如下： 设S＝{s1,s2,…,sn}为所有可能的状态所构成的集合， f：S—R为非负代价函数，即优化问题抽象如下： 寻找s*∈S，使得f(s*)＝min f(si) 任意si∈S （1）给定一较高初始温度T，随机产生初始状态S （2）按一定方式，对当前状态作随机扰动，产生一个新的状态S’ S’＝S＋sign(η).δ 其中δ
改进遗传算法－郭涛算法做最优化问题很管用
- 改进遗传算法－郭涛算法做最优化问题很管用,算法的基本思想是 先任意产生n个随机数，然后从n个数里随机选择m个数，再有这m个 数合成一个新数，将这个新数同n个数中间适应值函数值的最差的比较， 如果好的话就取代最差的那个，如果它比最好的还要好的话，则把最好的 也取代。如果比最差的坏，则重新合成一个新数。依次循环下去。 程序的奇妙之处是GA_crossover()函数，产生的新数确实比较好，看看 那位大侠能改进一下，产生比这跟好的数。-improved genetic algo
模拟退火例子1
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子2
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子3
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
广义异或bp算法
- 本文件为用C语言实现的可实现广义异或问题的bp神经网络算法。该问题是对标准异或问题的推广。在标准异或问题中，输入X1和X2取离散量-1或+1，在广义异或问题中，输入（X1,X2）可以在区间[-1，+1] X [-1, +1]内任意取值，而输出为Y=sign(x1,x2)，其中sign()为符号函数，在区间[-1，+1] X [-1, +1]内随机产生500个训练样本.本程序用标准BP网实现该分类问题.-this document for the use of C language of achi
suijiPSO
- 保证全局收敛的随机粒子群优化算法,对于高维函数有较强的全局收敛性.-ensure global convergence of random PSO algorithm for high-dimensional functions is a strong global convergence.
GA
- 本压缩包内有三个遗传算法文件，其详细文件名都以注释方式在文件内注明，分别为：基于基本遗传算法的函数最优化任意随机交叉父体、基于基本遗传算法的函数最优化、基于基本遗传算法的自适应遗传优化算法函数最优化
BP_Stochastical
- 本人编写的BP Stochastical算法，和传统的BP算法比较，Stochastical改进随机产生方向，然后导致收敛，所以能避免局部极点。 本人还加了自动产生分类的方法和适合各种函数的转换
差别算法matlab源码
- 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation).源于对鸟群捕食的行为研究 PSO同遗传算法类似，是一种基于叠代的优化工具。系统初始化为一组随机解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉(crossover)以及变异(mutation)。而是粒子在解空间追随最优的粒子进行搜索。详细的步骤以后的章节介绍 同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应
Matlab遗传算法改进程序
- 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算
GA
- matlab编写的遗传算法优化程序，采用随机配对交叉，多点交叉，两点交叉，编译对目标函数进行优化-matlab genetic algorithm to optimize the preparation procedures, using a random cross-matching, multi-point crossover, two cross-cutting, the compiler of the objective function to optimize
PSO_C++
- 一个很好的学习粒子群算法的例子。（刘康C++版本） 程序介绍： 模拟一群鸟捕食的情景，从而达到优化目标函数的目的，这就是粒子群算法！起初在可行的空间中随机的产生一群粒子，然后让每个粒子开始在虚拟的空间中向四面八方飞翔，并且每个粒子都记下他们飞过的适应值（也就是目标优化函数）最高的点，而且整个粒子群有一个最高适应值个体，这样，粒子在飞翔的时候尽量朝向自己曾飞过的最好的点和集体的最好的点。最后达到收敛到近似最优点的目的。 备注：目标优化函数程序中已经内定了，f6 ={0.
textureclassfication
- 提出了一种基于函数联接的感知器神经网络的纹理分类方法.它采用高斯2马尔柯夫随机场模型(GM RF)对纹理进行描述,模型参数即为纹理特征,参数估计采用最小平方误差方法获得.将估计参数作为表达纹理的特征向量,用感知器网络对特征进行分类,并且采用函数联接的方式解决线性不可分问题.对纹理图象进行的实验表明,采用这种方法能够提高学习速度,简化计算过程,并取得较好的纹理分类效果. -Based on the function connected perceptron neural network tex
TSP
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，
mnth
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
GA
- VC 遗传算法。文件中包括多个程序代码，有最基本二进制遗传代码。 另外包含多个改进遗传算法代码，C语言开发。在VC下可运行。 唯一需要改进的是：第一：目标函数（结合你自己需要求解的问题） 第二：随机函数。（代码中是自己写的库，在一些电脑上运行不正确。可以换成已有的rand)。在我另外上传的一个资料中已经更正。但这是最原始的，容易理解。所以上传上来。-Gene Algorithm
thegeneticalgorithm
- 遗传算法的基本运算过程如下: a)初始化:设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。 b)个体评价:计算群体P(t)中各个个体的适应度。 c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 d)交叉运算；将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算
BPNN
- 前向型神经网络(BPNN) 1.首先使用随机函数对每一层间的连接权值矩阵和偏置向量进行随机初始化. 2.依次使用一个训练样本对网络进行训练，并按照上面的公式计算每个样本的Δti,t 1,...,T− 1 3.训练p个样本后(一次batch)，按照更新方程对W与b进行更新. 4.重复步骤2～3，直到误差小于设定的阈值或者达到设定的batch次数.-Forward neural network (BPNN) 1. First, using a random function
基于人工鱼群算法的一元非线性函数寻优
- 人工鱼群算法是受鱼群行为的启发，由李晓磊等人于2002年提出的一种基于动物行为的群体智能优化算法。在一片水域中，鱼往往能自行或尾随其它鱼，找到营养物质最多的地方，因而鱼生存数目最多的地方一般就是本水域中营养物质最丰富的地方。人工鱼群算法根据这一特点，通过构造人工鱼来模仿鱼群的觅食、聚群、追尾、随机行为，从而实现寻优。本代码是基于人工鱼群算法的一元非线性函数寻优。